FenixEdu™

Dissertação

Collision-free indoor flight in a simulated environment using vision-based deep reinforcement learning EVALUATED

Detalhes: Considerando o aumento de popularidade dos UAV nos últimos anos e a sua grande quantidade de aplicações, faz sentido pesquisar novas tecnologias para voos autónomos. A navegação de interior é um problema desafiante da robótica, em que a premissa é diferente da navegação de exterior (a qualidade do sinal de GPS geralmente não permite voos de precisão em interior). A inteligência artificial é uma das ferramentas usadas para desenvolver soluções e, nesta dissertação, uma solução baseada em aprendizagem profunda por reforço é apresentada para voo sem colisão em ambientes fechados. Treinar modelos num ambiente real é perigoso, já que a abordagem é de tentativa e erro e o drone vai colidir. Para superar esta situação, o método de aprendizagem foi explorado num ambiente simulado. Sabendo que numa aplicação real o modelo tem que ser transferido para um drone real, foi desenvolvido um sistema simples que requer apenas uma câmara RGB e de profundidade, que poderia ser facilmente implementado no mundo real. A abordagem aplicada usa o algoritmo de \textit{deep Q-learning} para treinar um conjunto de modelos com diferentes tipos de redes neuronais profundas de convolução, onde foi testado o desempenho de diferentes parâmetros. O treino é efetuado numa série de ambientes virtuais que se tornam gradualmente mais complexos à medida que a randomização de textura e estruturas é introduzida, com o objetivo de treinar um modelo generalizável. Todos os modelos foram avaliados num ambiente desconhecido, mostrando como a generalização do modelo desempenha um papel crucial no seu comportamento.
Keywords: UAV, Navegação de Interior, Aprendizagem por Reenforço, Deep Q-learning, Simulação

Discussão: novembro 13, 2018, 14:0